ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA
DE MANABÍ
MANUEL FÉLIX LÓPEZ
CARRERA INFORMÁTICA
SEMESTRE SÉPTIMO PERIODO ABR 2015/SEP 2015
TEMA:
EJEMPLOS DE AGENTES RESOLVENTES DE PROBLEMAS
MATERIA:
INTELIGENCIA ARTIFICIAL II
AUTOR:
CARLOS A. ZAMBRANO VIDAL
FACILITADORA:
CALCETA, ABRIL 2015
INTRODUCCIÓN
En el capítulo anterior conocimos todos los conceptos ahora
vamos a entender más a fondo de los agentes resolventes de problemas ya que
vamos a mostrar varios ejemplos de ellos como actúan y cómo funcionan y así también
medir el rendimiento dentro de un problema.
MARCO TEÓRICO
La metodología
para resolver problemas se ha aplicado a un conjunto amplio de entornos. Enumeramos
aquí algunos de los más conocidos, distinguiendo entre problemas de juguete y del mundo-real. Un problema de juguete se utiliza para ilustrar o
ejercitar los métodos de resolución de problemas. Estos se pueden describir de
forma exacta y concisa. Esto significa que diferentes investigadores pueden
utilizarlos fácilmente para comparar el funcionamiento de los algoritmos. Un problema
del mundo real es aquel en el que la gente se preocupa por sus soluciones.
Ellos tienden a no tener una sola descripción, pero nosotros intentaremos dar
la forma general de sus formulaciones.
A
continuación mostrare algunos ejemplos:
El
primer ejemplo que examinaremos es el mundo de la aspiradora, introducido en el
este puede formularse como sigue:
v Estado inicial: Cualquier
estado puede designarse como un estado inicial.
v Test objetivo: Comprueba
si todos los cuadrados están limpios.
v Función sucesor: Esta
genera los estados legales que resultan al intentar las tres acciones (Izquierda,
Derecha y Aspirar).
v Costo del camino: Cada
costo individual es 1, así que el costo del camino es el número de pasos que lo
compone.
Coloree un mapa plano utilizando sólo cuatro
colores, de tal modo que dos regiones adyacentes no tengan el mismo color.
v Estado Inicial: Mapa sin colores
v Test Objetivo: Colorear todas las regiones.
v Función Sucesor: Aplicar un color a cada una de las regiones.
v Función Costo: Número total de regiones coloreadas.
Un mono de tres pies de alto está en una
habitación en donde algunos plátanos están suspendidos del techo de ocho pies
de alto. Le gustaría conseguir los
plátanos. La habitación contiene
dos cajas apilables, móviles y
escalables de tres pies de alto.
v
Estado
Inicial: El mono está en cualquier
lugar de la habitación.
v
Test
Objetivo: El mono alcanza los plátanos
v
Función
Sucesor: El mono tiene 4 acciones
posibles de hacer:
o Caminar hacia la caja
o Empujar la caja
o Subir a la caja
o Coger los plátanos
v
Función
Costo: Numero de movimientos alcanzados
por el mono
CONCLUSIONES
Se concluye que para resolver un problema se debe conocer
el objetivo que va a realizar para así saber que método aplicar y en qué
momento. Los métodos de agentes resolventes de problemas son muy importante, en
los ejercicios de ejemplos nos podemos dar cuenta, que todos cuentan con su
estado inicial, test objetivo, función sucesor y función costo o costo del
camino.
BIBLIOGRAFÍA
Russell, s.2008.inteligencia artificial un enfoque moderno.
Segunda edición. Pearson education. Madrid-España.
Jiménez, L y Sánchez, L. s.f. Inteligencia Artificial
e Ingeniería del Conocimiento,Tema 3: Métodos de Búsqueda de soluciones.
(En Línea). Consultado 21 de abr. 2015. Formato PDF. Disponible en http://www.sanchezcrespo.org/Docencia/IA/IA%20-20Tema%203A%20-%20Busquedas%20v1.2.pdf
Olmos, I. s.f. Inteligencia Artificial Tema 2 Búsquedas.
(En Línea). Consultado22 de abr. 2015. Formato PDF. Disponible
enhttp://www.cs.buap.mx/~iolmos/ia/Sesion5_Busquedas1.pd
